Kartu judul hero yang dihasilkan bertuliskan 'Qwen4-Max vs Step-5 Preview' dengan subjudul '48% lebih banyak kemampuan, 33% lebih banyak biaya, 6% per poin indeks' dan tiga lencana pil bertuliskan '43 vs 29 indeks', '.27 vs .35 per tugas', dan '16 November 2026'. Baris footer berbunyi 'Skor per Artificial Analysis Intelligence Index v5.0.1; harga per kartu tarif masing-masing vendor.' Gaya vektor datar pada latar belakang putih dengan sapuan gradien biru-ke-cyan dan logo OrcaRouter dikomposisikan di kanan bawah.
Guides & Insights

Qwen4-Max vs Step-5 Preview: Empat Belas Poin Indeks, Setengah Sen per Poin

Penulis

Elias Hawthorne

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Jika biaya setiap model per tugas dibagi dengan skornya, kedua sisi perbandingan ini hanya berselisih dalam kisaran enam persen. Qwen4-Max, yang dirilis Alibaba hari ini, 16 November 2026, mencetak skor 43 pada Artificial Analysis Intelligence Index v5.0.1 dengan biaya terukur $3,27 per tugas indeks — sekitar 7,6 sen per poin indeks. Step-5 Preview, model sparse mixture-of-experts 600 miliar parameter milik StepFun, yang dirilis pada 20 September 2026, mencetak skor 29 pada indeks yang sama dengan biaya $2,35 per tugas — sekitar 8,1 sen per poin. Satu model 48% lebih cerdas pada satu-satunya tolok ukur yang dipakai untuk menilai keduanya. Model lainnya lebih murah pada kedua sisi pengukuran, sepertiga lebih murah untuk input dan 40% untuk output. Dan per unit kemampuan terukur, keduanya hanya berselisih tujuh persen satu sama lain, dengan flagship terbaru sedikit lebih unggul.

Itu bukan perbandingan yang ditawarkan vendor mana pun, dan justru perbandingan itulah yang benar-benar menentukan sebuah migrasi. Perbandingan ini juga membawa asimetri yang tidak disebutkan dalam posting peluncuran mana pun: salah satu dari dua model ini memiliki kecepatan output yang diukur secara independen, sedangkan model lainnya belum memiliki kecepatan terukur sama sekali karena baru berusia beberapa jam. Bagian berikut memisahkan apa yang terdokumentasi dari apa yang terukur, mengerjakan perhitungan caching yang mengubah selisih harga dari 33% menjadi angka yang sama sekali berbeda, dan ditutup dengan dua sumbu yang jawabannya tidak tipis — bobot dan batas atas output.

Apa masing-masingnya, per hari ini

Qwen4-Max adalah flagship generasi keempat Alibaba, dibangun di atas tulang punggung 2,4 triliun parameter dengan 71 miliar parameter aktif per token plus 328 miliar parameter embedding N-gram. Model ini menerima teks, gambar, dan video serta mengembalikan teks. Jendela konteks yang didokumentasikan adalah 1.000.000 token, dengan batas atas input 991.808 token dalam mode non-thinking dan 983.616 token dalam mode thinking — selisihnya adalah ruang untuk penalaran. Output maksimum adalah 131.072 token dengan thinking nonaktif; dengan thinking aktif, penalaran dan jawaban berbagi anggaran 262.144 token. Thinking aktif secara default dengan anggaran 131.072 token pada upaya penalaran default high, yang dapat dipilih di antara low, high, dan xhigh. Angka-angka tersebut berasal dari dokumentasi Alibaba sendiri, dan Qwen4-Max tidak menerbitkan bobot, tidak mendukung fine-tuning di wilayah mana pun, dan juga tidak mendukung deployment model di wilayah mana pun.

Step-5 Preview adalah model unggulan StepFun untuk pekerjaan agentic: 600 miliar parameter total, 27 miliar aktif, jendela konteks 1 juta token, serta input teks, gambar, dan video dengan output teks. Upaya penalaran dapat dipilih antara rendah, sedang, dan tinggi. Output maksimum terdokumentasi sebesar 64.000 token, dengan max_tokens secara default tanpa batas sehingga model yang menentukan panjangnya. Model ini mendukung streaming, pemanggilan alat, output JSON Schema, dan prompt caching, serta API-nya kompatibel dengan OpenAI.

Tiga bulan setelah peluncuran, kata "Preview" dalam namanya sudah tidak lagi sesuai dengan maknanya. Hingga kini StepFun masih mencantumkannya sebagai Preview dalam ikhtisar model mereka, sementara checkpoint BF16 dan FP8 sudah tersedia di Hugging Face sejak 15 Oktober di bawah StepFun Model License 1.0. Anggaplah label itu sebagai kebiasaan penamaan, bukan peringatan bahwa endpoint akan berpindah di bawah kaki Anda — tetapi jangan pula membacanya sebagai komitmen GA, karena vendor belum membuat komitmen tersebut.

Selisih harganya sepertiga; aritmetika cache-lah yang mengubahnya.

Pada harga daftar, keduanya mudah diringkas: Step-5 Preview lebih murah di kedua sisi meteran, dan selisihnya lebih besar daripada sekadar kesalahan pembulatan.

• Input — Qwen4-Max $1,50 per juta token di Singapura, $1,413 di lima wilayah lainnya, dibandingkan dengan Step-5 Preview $1,00

• Keluaran — Qwen4-Max $4.50, dibandingkan dengan Step-5 Preview $2.70

• Pembacaan cache — Qwen4-Max $0.075 per juta, diskon 95%, dibandingkan Step-5 Preview $0.10, diskon 90%

• Penulisan cache — Qwen4-Max $1.875 per juta untuk TTL lima menit dan $3.00 untuk satu jam, sedangkan Step-5 Preview tidak mengenakan biaya, karena input cache-miss sebesar $1.00 sudah mencakup penulisan prefiks

• Gabungan, pada campuran cache-hit/input/output 7:2:1 Artificial Analysis — Qwen4-Max $0.80 per juta versus Step-5 Preview $0.54

Baris penulisan cache itulah yang dilewati dan itulah yang dapat membalikkan peringkat pada beban kerja yang tepat. Ambil dokumen 300.000 token yang ditinjau dalam empat lintasan dengan 3.000 token keluaran masing-masing, dengan tarif Singapura, tanpa thinking. Pada Qwen4-Max lintasan pertama menulis prefix sebesar $0.5625 dan menghasilkan keluaran senilai $0.0135; tiga lintasan berikutnya membacanya sebesar $0.0225 per lintasan ditambah keluaran senilai $0.0405 di antara ketiganya. Total $0.684. Pada Step-5 Preview lintasan pertama memakan input senilai $0.30 dan keluaran senilai $0.0081; tiga lintasan berikutnya memakan $0.03 masing-masing ditambah $0.0243. Total $0.422. Step-5 Preview 38% lebih murah untuk pekerjaan itu.

Ubah menjadi satu lintasan dan kesenjangannya justru melebar, bukan menutup — $0.576 dibandingkan $0.308, dengan Step-5 Preview 46% lebih murah — tetapi alasannya berubah. Pada satu lintasan tidak ada pembacaan yang perlu diamortisasi, jadi Anda membayar premi penulisan cache Qwen4-Max untuk prefiks yang tidak akan pernah Anda gunakan ulang. Aturan praktisnya: caching Qwen4-Max memberi imbalan pada prefiks yang dibaca berkali-kali dan menghukum prefiks yang hanya dibaca sekali. Harga baca cache tetap $0.10 dan harga miss yang sudah termasuk penulisan dari Step-5 Preview adalah struktur yang lebih ramah untuk beban kerja yang tingkat hit-nya tidak dapat Anda prediksi.

A generated two-column scoreboard titled 'Qwen4-Max vs Step-5 Preview — the scoreboard'. The Qwen4-Max column reads Intelligence Index 43, cost per index task .27, cost per index point 7.6 cents, cache write .875 per 1M, weights none published, max output 131,072 tokens. The Step-5 Preview column reads Intelligence Index 29, cost per index task .35, cost per index point 8.1 cents, cache write included in .00 miss price, weights BF16 and FP8 on Hugging Face, max output 64,000 tokens. A footer reads 'Index per Artificial Analysis v5.0.1; prices and limits per Alibaba and StepFun documentation, November 2026.'

Empat belas poin, dan kesenjangan bukti yang mengarah ke arah sebaliknya

Kedua model telah dijalankan melalui Intelligence Index v5.0.1, yang mencakup sembilan evaluasi: AA-Briefcase v1.1, AutomationBench-AA, Terminal-Bench 4.0, FrontierCode-AA 2.0, AA-Omniscience v1.1, GDP.pdf, HLE-Diamond, CritPt v2, dan Terminal-Bench-Science 0.1. Tidak ada halaman model yang menerbitkan skor terpisah per tingkat upaya penalaran, sehingga ini adalah angka tunggal pada pengaturan apa pun yang digunakan Artificial Analysis.

• Indeks — Qwen4-Max 43, berada di peringkat ke-38 dari 81 di kelasnya, versus Step-5 Preview 29, berada di peringkat ke-10 dari 29 di antara model open-weight besar. Median kelasnya berbeda (41 dan 23), itulah sebabnya peringkat tersebut tidak dapat dibandingkan satu sama lain meskipun skornya

• Biaya per tugas indeks — $3,27 versus $2,35

• Biaya per poin indeks — 7,6 sen versus 8,1 sen, jadi model yang lebih mahal per tugas adalah model yang lebih murah per unit kapabilitas

• Kecepatan output — Step-5 Preview 124 token per detik, dibandingkan dengan tidak adanya angka yang dipublikasikan untuk Qwen4-Max. Artificial Analysis mencantumkan waktu per tugasnya sebagai tidak diketahui dan halaman penyedianya tidak melaporkan tolok ukur penyedia sama sekali

• Waktu hingga token jawaban pertama — Step-5 Preview 23,53 detik, dibandingkan dengan tidak ada yang dipublikasikan untuk Qwen4-Max

• Waktu per tugas indeks — Step-5 Preview 15,2 menit versus median 13,3 menit untuk kelasnya; Qwen4-Max tidak memiliki angka

• Verbositas — Qwen4-Max menghasilkan 127 juta token keluaran di seluruh indeks dibandingkan median 78,6 juta, sedangkan Step-5 Preview menghasilkan 129 juta dibandingkan median 104 juta. Keduanya bertele-tele; Qwen4-Max bertele-tele dibandingkan kelompok sebayanya yang lebih ringkas

Token pertama 23,53 detik adalah angka yang seharusnya membuat siapa pun yang berencana melakukan deployment interaktif Step-5 Preview khawatir. Ini bukan artefak jaringan: ini adalah biaya yang harus Anda tanggung untuk model 600 miliar parameter dengan mode berpikir aktif secara default sebelum jawaban dimulai. Default penalaran Qwen4-Max — mode berpikir aktif, anggaran 131.072 token, effort disetel ke high — mengarah ke arah yang sama, dan sampai ada yang mengukurnya, tidak ada cara jujur untuk mengatakan mana yang lebih lambat. Itulah biaya praktis membeli pada hari peluncuran: Anda mendapat skor dan rate card, tetapi Anda tidak mendapat angka latensi.

Materi evaluasi milik Alibaba sendiri adalah hal terpisah dan harus dibaca sebagai laporan vendor yang belum direproduksi. Pada Work360, benchmark internalnya yang mencakup 26 domain industri tingkat atas, vendor melaporkan 52,69 untuk Qwen4-Max dibandingkan 47,74 untuk Qwen3.8-Max. Ia juga melaporkan biaya rata-rata per tugas Work360 turun dari $4,43 menjadi $1,67, pengurangan 62%, dan penggunaan token turun sekitar 24% pada upaya xhigh dan 35% pada upaya high dalam benchmark tersebut, dengan pengurangan 48% dan 49% pada Terminal-Bench 4.0. Itu adalah klaim tentang Qwen4-Max relatif terhadap pendahulunya. Klaim-klaim itu tidak mengatakan apa pun tentang Step-5 Preview, dan tidak satu pun telah diperiksa secara independen.

A screenshot of the Artificial Analysis model page for Qwen4 Max, captured 16 November 2026, showing 'Released November 2026', the Alibaba Cloud provider label, an Intelligence Index of 43 ranked 38 of 81, in-benchmark ranks for performance, cost and verbosity, .50 input and .50 output per 1M tokens, a 95% cache discount, .27 cost per task, 127M tokens generated, and a 984k-token context window.

Bobot: yang ini tidak dekat

Step-5 Preview sudah dapat diunduh hari ini. Repositori Hugging Face menyediakan safetensors BF16 dan FP8 di bawah StepFun Model License 1.0 — lisensi bergaya Apache-2.0 dengan persyaratan atribusi dan ketentuan penggunaan komersial — plus templat chat, tiga varian terkuantisasi, dan resep deployment: FP8 pada empat B300 atau delapan H200 dengan vLLM, FP8 pada perangkat keras yang sama dengan SGLang, BF16 pada delapan B300 atau enam belas H200. Sekitar 1.600 unduhan dalam sebulan terakhir.

Qwen4-Max tidak memiliki checkpoint dan tidak ada jalur untuk mendapatkannya. Dokumentasi Alibaba menandai fine-tuning sebagai tidak didukung di setiap region dan deployment model sebagai tidak didukung di setiap region, yang merupakan pernyataan lebih kuat daripada "bobotnya belum dirilis" — ini berarti vendor sama sekali tidak akan mengizinkan Anda menjalankan model ini sendiri melalui platformnya. Jika kebutuhan Anda adalah model yang dapat Anda kuantisasi, fine-tune, jalankan dalam air-gap, atau kunci ke build tertentu, perbandingannya berakhir di sini dan berakhir menguntungkan StepFun.

Ini juga mengubah apa yang Anda peroleh dari “open”. Lisensi Step-5 Preview mengizinkan penggunaan komersial dengan syarat, jadi tinjauan hukum menjadi bagian dari biaya adopsi, dan resep penerapannya mengasumsikan node empat hingga enam belas GPU — ini bukan model yang Anda jalankan di workstation. Namun ini adalah model yang perilakunya tidak dapat diubah tanpa sepengetahuan Anda oleh pembaruan penyedia yang senyap, dan bagi siapa pun yang membangun sistem yang diatur regulasi atau berumur panjang, itu bernilai lebih dari empat belas poin indeks.

Batas maksimum output, dan konflik dokumentasi yang perlu diketahui

Inilah perbedaan yang paling tidak memikat dan yang paling mungkin merugikan beban kerja tertentu. Qwen4-Max memberi Anda 131.072 token output saat mode berpikir dimatikan dan anggaran 262.144 token bersama saat mode berpikir diaktifkan. Dokumentasi API Step-5 Preview menyebutkan output maksimum 64.000 token. Kartu model Hugging Face-nya menyebutkan output dapat mencapai 1 juta token penuh, dengan input dan output dihitung terhadap batas yang sama.

Kedua pernyataan itu berasal dari vendor yang sama dengan selisih waktu satu bulan, dan tidak satu pun ditandai sebagai deprecated. Jika Anda merencanakan tugas dengan keluaran panjang — laporan lengkap, patch besar, dokumen yang dihasilkan — bacalah dokumentasi API alih-alih kartunya, dan uji batas atasnya sebelum Anda merancang arsitektur di sekitarnya. Angka 64.000 konsisten dengan waktu 15,2 menit per tugas indeks; angka 1 juta akan menyiratkan sesuatu yang cukup berbeda.

Satu lagi asimetri yang perlu dicatat: kedua model menerima input video, tetapi hanya StepFun yang memublikasikan detail operasionalnya. Hingga 60 gambar per permintaan pada detail rendah atau tinggi, video sebagai URL, Base64, atau referensi stepfile://, MP4 di bawah 128 MB dengan durasi klip yang direkomendasikan kurang dari lima menit. Alibaba mendokumentasikan input video untuk Qwen4-Max tanpa memublikasikan batas yang sebanding di halaman model. Jika video menjadi inti beban kerja Anda, bukan sekadar pelengkap, perbedaan kualitas dokumentasi itu sendiri merupakan sinyal tentang vendor mana yang sudah pernah ditanyai hal ini sebelumnya.

Siapa yang harus memilih yang mana, minggu ini

Pilih Qwen4-Max jika plafon kemampuan lebih penting daripada tagihan: penalaran sulit, pekerjaan agen jangka panjang, atau apa pun yang membuat 43 berbanding 29 pada indeks sembilan evaluasi menjadi pembeda antara tugas yang selesai dan yang tidak. Terima dua risiko sebagai gantinya. Yang pertama adalah Anda membeli pada hari pertama tanpa angka latensi independen dan tanpa reproduksi pihak ketiga atas klaim Work360 dari vendor. Yang kedua adalah premi penulisan cache, yang secara diam-diam membebani pekerjaan konteks panjang sekali jalan sebesar $1.875 per juta token yang ditulis.

Pilih Step-5 Preview jika Anda perlu memiliki modelnya sendiri, jika Anda memerlukan 124 token per detik yang terukur dan token pertama 23,53 detik yang dapat Anda perhitungkan, atau jika beban kerja Anda berat cache dengan cara yang tidak dapat Anda prediksi. Terimalah bahwa Anda membeli 29 poin indeks, bahwa token pertama datang terlambat, dan bahwa plafon output didokumentasikan dengan dua cara berbeda oleh vendor.

Opsi ketiga adalah pilihan yang jujur bagi sebagian besar tim minggu ini: tidak keduanya, secara eksklusif. Selisih antara kedua model ini per unit kemampuan terukur adalah 6%, yang jauh berada di dalam batas galat satu versi indeks, dan keduanya baru dievaluasi sekali oleh satu harness. Tim yang memilih salah satunya berdasarkan skor hari peluncuran sedang mengambil posisi pada angka yang belum direproduksi.

Menjalankan keduanya tanpa kontrak kedua

Tidak satu pun dari kedua model tersebut ada dalam katalog OrcaRouter saat ini — 215 pengenal model, diperiksa pagi ini, tanpa entri Qwen4 dan tanpa model teks StepFun di antaranya. Keduanya dapat dijangkau melalui API vendor masing-masing: enam region Alibaba untuk Qwen4-Max, endpoint StepFun yang kompatibel dengan OpenAI di api.stepfun.ai/v1 untuk Step-5 Preview. Menyatakan sebaliknya akan menjadi jenis klaim yang cepat usang dalam waktu sepekan.

Rute what-we-do adalah rute yang digantikan oleh model Qwen4-Max. Qwen3.8-Max ada di katalog kami sebagai qwen/qwen3.8-max dengan harga daftar Alibaba sendiri sebesar $2,00 untuk input dan $6,00 untuk output per juta token, diteruskan tanpa markup, bersama 214 identifier lain di satu base URL yang kompatibel dengan OpenAI. Itu penting karena tepat satu alasan dalam perbandingan ini: model yang baru diluncurkan adalah hal terburuk untuk dijadikan tumpuan jalur produksi, dan sikap yang waras adalah membiarkan generasi yang sudah terbukti tetap berada di rute itu sementara Anda mengukur model baru terhadap trafik Anda sendiri. DSL routing mengungkapkan hal itu sebagai kebijakan, bukan perubahan kode — kirim panggilan berat dan padat penalaran ke model baru, pertahankan pekerjaan bervolume tinggi pada model yang lebih murah dan sudah terbukti, lalu biarkan failover otomatis menangkap kasus ketika endpoint yang benar-benar baru menurun performanya di bawah beban yang tidak Anda perkirakan.

Penetapan harga pass-through juga berarti perhitungan dalam artikel ini tetap jujur. Ketika Alibaba memangkas tarif — seperti yang dilakukannya hari ini, memindahkan Qwen4-Max ke $1.50 dan $4.50 dari $2.00 dan $6.00 milik Qwen3.8-Max — katalog yang meneruskan harga daftar penyedia akan mencerminkannya pada hari yang sama, bukan pada pembaruan kontrak berikutnya. Itu bukan argumen yang mendukung kami dibandingkan API milik vendor mana pun. Itu argumen untuk tidak menandatangani apa pun yang mengunci harga yang belum Anda lihat bertahan selama sebulan.

A screenshot of the OrcaRouter model page for qwen/qwen3.8-max, captured 16 November 2026, showing the model identifier, text, image and video input with text output, a 1M-token context window, a list date of 2026-08-03, .00 input and .00 output per 1M tokens, measured latency figures, and an OpenAI-compatible Python sample pointing at https://api.orcarouter.ai/v1.

Perbandingan yang akan diinginkan pembaca dalam dua minggu bukanlah yang ada di judul ini. Melainkan latensi Qwen4-Max dan rilis stabil Step-5 Preview, keduanya diukur oleh pihak selain vendor, terhadap beban kerja yang benar-benar dijalankan orang. Sampai saat itu, posisi yang dapat dipertahankan bersifat sempit dan tidak glamor: selisih kemampuan 48%, selisih harga 33%, selisih 6% per unit kemampuan, dan serangkaian keputusan — bobot, batas keluaran, struktur cache — yang tidak ditangkap oleh skor indeks mana pun dan akan bertahan lebih lama dari pekan peluncuran ini.